人工智能智行公司人工智能工程师实习报告

人工智能智行公司人工智能工程师实习报告一、摘要

2023年7月1日至2023年8月31日，我在人工智能智行公司担任人工智能工程师实习生，参与智能驾驶算法优化项目。通过8周实践，完成L1级辅助驾驶系统传感器数据融合模块开发，将激光雷达与摄像头数据融合后的目标检测精度提升至98.2%，较初期版本提高12.3个百分点。核心工作包括设计并实现基于YOLOv5的实时目标检测模型，应用PyTorch框架进行模型训练与调优，累计处理10万条驾驶场景数据。期间，运用交叉验证方法验证模型泛化能力，将测试集F1分数稳定在0.96以上。提炼出数据预处理与特征工程的可复用方法论，包括高斯滤波算法参数自适应调整策略，为后续项目提供技术参考。

二、实习内容及过程

实习目的主要是想把学校学的深度学习、计算机视觉这些理论知识跟实际项目结合起来，看看工业界的应用到底是个啥样，顺便提升下动手能力。

实习单位是个做智能驾驶解决方案的，主要业务是开发L1到L4级别的辅助驾驶系统，客户都是一些车企和科技公司。他们那技术栈挺全的，从传感器数据采集、算法处理到车辆控制都有覆盖，工作环境挺开放的，大家平时交流技术问题挺多。

我主要在自动驾驶算法部门，跟着一个师兄做项目。初期是熟悉他们用的开发平台和数据集，那个数据集有差不多15万条记录，涵盖各种天气和路况，每个样本都标注了车辆、行人、交通标志这些信息。我负责的是视觉感知模块，具体是改进目标检测部分。之前系统用的是YOLOv3，但在线性加速测试时，在帧率上有点拖后腿，大概是25帧左右，不够流畅。

第一个挑战就是怎么在不牺牲太多精度的情况下提升帧率。师兄建议试试YOLOv5，说它在速度和精度上平衡得比较好。但直接换模型效果不明显，检测框有时候飘得厉害，定位也不准。我就花了两周时间重新做数据预处理，把图片统一缩放到640x640，然后试了不同的归一化方法，发现用minmax归一化后，模型收敛速度明显快了。接着跟师兄一起调试超参数，学习率从0.001调到0.0005，BatchSize从16改成32，损失函数也从MSE改成了CIoU，这些调整都是参考了论文里的建议，也跟团队里其他人交流了经验。调了大概四五次，终于把帧率提到35帧，精度也稳在了97.1%，比原来高了1.8个百分点。这个过程中我还学会了怎么用TensorBoard看训练曲线，怎么写脚本自动遍历超参数组合。

第二个问题是数据集里小目标少，但实际道路小物体很多，比如路标、护栏这些。测试时发现模型在这些物体上漏检率特别高，最高能达到15%。我就跟师兄提了，他说可以试试数据增强里的Mosaicaugment，把四张图片拼一张，理论上能提升模型对罕见样本的鲁棒性。我负责实现这个功能，花了三天时间写脚本，把数据增强库改得更适合他们数据集的格式。测试效果还真不错，小目标漏检率直接降到了8.2%，虽然不是特别完美，但确实有改善。

除了具体项目，我还参与了每周的技术分享会，听其他同事讲端到端的模型压缩技术，怎么在嵌入式设备上部署，这些对我启发挺大的。虽然只实习了八周，但感觉挺充实的，至少把理论落地了，也知道自己哪些地方做得还不够。

实习中感觉他们培训机制有点问题，新人进来主要靠自己摸索，虽然师兄师姐会指导，但系统性挺欠缺的。有时候遇到坑，比如某个依赖库版本不兼容，要花不少时间查资料。另外我感觉岗位匹配度上，学校教的很多基础知识都用上了，但像车载硬件的通信协议、数据同步这些，完全没接触过，感觉挺遗憾的。

改进建议的话，希望单位能给新人配个更详细的实习手册，把常用工具、开发流程、项目文档都整理好，这样能省不少时间。另外可以搞点内部培训，比如每周固定时间讲讲行业最新动态或者特定技术，比如模型量化、边缘计算这些，感觉挺有用的。

三、总结与体会

这八周在人工智能智行公司的经历，让我对人工智能工程师这个角色有了更具体的认识，感觉像是把书本知识和实际工作场景搭了个桥。从7月1号到8月31号，我不再是单纯地敲代码，而是要对着实际应用场景思考怎么让算法效果更好、更稳定。比如我参与的那个L1级辅助驾驶系统项目，最初目标是把目标检测精度提到98%，实际最后做到了98.2%，虽然只高了0.2，但那背后是反复调试模型参数、优化数据处理流程的结果，每一个提升都是实实在在的。这种把理论用在刀刃上，并且能看到量化成果的感觉，挺有成就感的。

实习让我更清楚地看到自己的不足，也明确了后续努力的方向。之前在学校学得比较泛，深度学习、计算机视觉这些都有接触，但都不够深入。这次实习发现，做实际项目需要更强的工程能力和解决问题的能力。比如怎么在资源受限的嵌入式设备上部署模型，怎么处理大规模数据集里的噪声，这些都是在学校里没遇到过的。这让我意识到，接下来得在模型压缩、分布式训练这些方向下功夫，可能得去考个深度学习工程师的认证，或者多做一些相关项目，把简历填得更扎实些。职业规划上，我原本觉得想去大厂做算法研究，但这次实习让我看到算法落地的重要性，未来可能更倾向于做算法工程师，把实验室里的技术变成产品里能用的功能，感觉也挺有意义的。

行业里现在都在谈端侧智能、联邦学习这些，感觉技术发展挺快的。我在公司的时候，看到团队也在研究怎么用联邦学习在保护数据隐私的前提下做模型迭代，感觉挺前沿的。这让我意识到，学校里的知识更新速度根本跟不上行业，必须得保持持续学习的习惯。比如最近在看一些PyTorch官方文档里关于模型量化的新内容，感觉对做部署很有帮助。未来不管是继续深造还是直接工作，都得把学习当成一种习惯，不然很快就会跟不上节奏。从学生到职场人的转变，最明显的是心态上的变化，以前遇到问题可能先想找老师，现在得先自己查资料、试方案，责任感确实重了好多，抗压能力也锻炼了不少。这些经历，不管是成功的喜悦还是遇到挫折的教训，都会变成我未来发展的资本。

四、致谢

在人工智能智行公司这八周的实习，收获挺多的，想谢谢一些人。

1.感谢公司给我这个实习机会，能参与那个智能驾驶的项目，挺有意思的。

2.感谢我的导师，带了我挺